今天小編分享的科學經驗：GPT-4o怎麼搶了Midjourney的飯碗，歡迎閱讀。
2025 年 3 月 26 日，OpenAI 凌晨官宣，GPT-4o 的原生多模态影像生成功能正式上線。用戶不再需要登錄 OpenAI 的文生圖模型 DALL-E，可以直接在 ChatGPT 應用裡調用 4o 生成、修改圖片。
一夜之間，AI 生成的吉卜力影像在 X 等社交媒體上瘋傳，互聯網被一場溫柔的二次元畫風浪潮淹沒。人們上傳自拍照，輸入 " 吉卜力風格 "，幾秒後，宮崎駿動畫中的唯美與夢幻便流淌在發絲衣角間，甚至連 OpenAI 創始人奧特曼也曬出自己的吉卜力頭像，為這場熱潮添了一把火。
不過，吉卜力的火爆只是其一，更關鍵的是，GPT-4o 的繪圖能力出圈打破了文生圖領網域的固有格局，以 Midjourney 等垂類應用為首的賽道第一次遭到了大模型的挑戰。
原來，人們用 Midjourney 生圖時，仍面臨着一個致命問題：随機性太強，在提示詞過于復雜的時候，細節還原度就會顯著降低，而 GPT-4o 控圖能力的躍升，讓人類第一次感受到了與 AI 藝術家在多輪對話中精準改圖的魅力。
那麼，一個人類印象裡只會聊天的通用大模型 GPT-4o，是如何趕超文生圖領網域專業選手 Midjourney 的呢？
實際上，類似 Midjourney 一樣的應用早在一年前就能生成吉卜力、賽博朋克、超現實等多種風格的影像，甚至在畫面細膩感、解析力上略勝于 GPT-4o。但 GPT-4o 的聰明之處在于，它沒有選擇正面硬剛其藝術領網域的生圖質量，而是在應用門檻、修圖改圖、跨學科能力等細分賽道彎道超車。
一是自然語言對話能力的提升大大降低了使用門檻。傳統文生圖領網域，用戶必須掌握一套復雜的結構化提示指令，比如風格、鏡頭、色彩、角度、背景、主體等，差之毫厘、謬以千裡。而 GPT-4o 可以精準理解自然語言命令，只需要像跟好友一樣交流，張嘴畫圖成為現實。
自然語言就是大白話，日常生活中的口頭語。比如，如果你需要一張瀑布圖，只需要告訴 GPT-4o，" 幫我生成一幅清晨茂密森林裡的彩虹瀑布 " 就可以了。但面對 Midjourney 就需要像下圖一般，用高度結構化的 prompt 指令告訴它：這個影像的主體有什麼，背景是什麼顏色，仰角、俯角還是平視，風格是油畫、古典或者賽博朋克，需要細分到這種程度才可能達到理想效果，但就算分得這麼細了，依然會有一些無關緊要的畫面元素跳出來畫蛇添足。
二是多模态能力帶來的圖生圖、圖改圖功能的上線。類似 Midjourney 一樣的應用只能發文字指令，不支持上傳一張圖片再做修改，或者說不支持 AI 生圖後，再調整影像的分辨率、色彩、背景。如果成圖效果不理想，只能回到第一步重寫提示詞碰運氣，之前生成的影像等同作廢。
GPT-4o 的強悍就在于用戶可以随便上傳一張圖片多次修改，可以是 AI 生成的，也可以是自己拍的。比如，你可以上傳一張全身照，把頭型換成大波浪，把衣服換成購物車裡的裙子看上身效果。它支持在現有的圖片上去 p 圖去修改，相當于我們不用學習 PS 這種具有高壁壘性質的修圖技術。
更牛的是它還可以多輪對話，支持在原圖上不限次數地一直改，直到滿意為止。你可以一會兒改一個頭發，一會兒把背景換成沙漠，或者一會兒調整濾鏡風格。只要你想，它便滿足。
圖源：小紅書 @Mr. 湯先森
除了互動門檻的降低和控圖能力的提升，GPT-4o 的跨學科知識儲備也讓人驚豔。集成了大語言模型原有知識庫的 GPT-4o 相當于一個知天文、曉地理的畫家，不僅能解高數、做物理題，還原建築草圖也不在話下。相比之下，Midjourney 作為垂類應用始終局限在藝術領網域裡，為電影宣發、廣告等文娛產業服務。
GPT-4o 有多牛？給一個題目就可以生成函數影像，相當于一款畫圖指導版的拍照搜題應用。甚至于你給他一個沒有任何色彩的鉛筆畫建築草圖，它都能生成出施工後的房屋實景，完全跨越了學科的邊界，是一個文理雙全的全能型選手。
圖源：小紅書 @雲安
既然 GPT-4o 生圖改圖功能如此驚豔，我們就要發問了，在其火爆出圈背後，能夠為普通人帶來什麼實際價值呢？
就在其上線一周内，Midjourney CEO 大衛 · 霍爾茲坐不住了，發文稱：GPT-4o 只是花架子，Midjourney-v7 下周上線。
GPT-4o 和 Midjourney 孰優孰劣，現在還難以定論。但能夠肯定的是，GPT-4o 火出圈了，它衝出了設計師這個小眾的圈子，走入了大多數人的工作場景裡，就算完全不知道 AI 生圖是什麼，但一定也知道社交媒體上突然冒出一個能用嘴 P 圖的網絡工具。
那麼，GPT-4o 為什麼這麼火，給我們帶來的一個最實際的價值點在哪裡？
首先，它真的做到了應用零門檻，用戶甚至不需要任何藝術功底和 AI 基礎，毫無基礎的普通人也能直接上手。用 Midjourney，你必須知道一些基本的流派、色彩、光學、框架等繪畫知識以及 /imagine（生成影像）、--ar（影像寬高比）等基礎英文提示指令。但用 GPT-4o，你也可以不懂透視、框架、光線，也不需要知道什麼是結構化提示詞，完全不用任何專業基礎，就像跟朋友對話一般交流就可以修圖。
圖源：小紅書 @Geek4Fun
除了使用門檻降低，模型產品的質量和效能也大幅提升。一是生圖更快，以前用 Midjourney 解析復雜指令需要 1min 左右，GPT-4o 在 20s 内就可以還原。
第二，生圖和改圖的控制性提高了，GPT-4o 能夠完全還原你給它的指令。比如同樣的一個指令 " 給我生成一個貓貓和狗狗在草地裡玩耍的場景 "，GPT-4o 生成的就是一只貓和一只狗在草地上玩，沒有任何其他會突然冒出的元素，但 Midjourney 可能在草坪上多一個公園或建築，不會完全按指令來。通俗地講，就是 GPT-4o 更能聽你的人話了，它就像你的電子仆人一樣，你讓他幹嘛，他就幹嘛，多餘的事一件不做，該做的事也絕不少幹，精确度更強了。
由此，GPT-4o 打開全民賽道，進入到我們工作場景裡。之前，普通用戶用 Midjourney 更多還是出于興趣，娛樂屬性強、工具屬性弱。生成的油畫、動漫等各種風格的影像雖好看，但既不能提升工作效率，也不能賺錢，主要起到了一個造型上的作用。
再比如電商行業的宣傳海報，甲方需要你生成一個針對歐美市場的英語海報，其中設計元素和語言都需要做本地化潤色。之前的流程是對接設計師修改元素、去翻譯軟體潤色，再導入 PS 軟體修改，費時費力。但現在 GPT-4o 只需要一句話，" 把這張海報改成歐美風，語言變成英語 "，它就很快就能設計一張符合要求的海報，跨領網域跨學科的集成能力非常強悍。
聊完 GPT-4o 的畫圖出圈，不如再聊聊，GPT-4o 作為一種底層模型還有什麼可挖掘的地方。
我們都知道，Midjourney 是一個架構在模型上的應用，但 GPT-4o 本身就是一個模型，生圖是它的能力之一。2022 年剛出道的 ChatGPT 只是一個能夠文字交流的對話助手，後來可以語音打電話，現在又能畫圖，一直不停在不同維度上迭代更新。
而此次 GPT-4o 能繪圖賽道突出重圍，真要感謝其原生多模态模型能力的大幅湧現。跟 Midjourney 不一樣，GPT-4o 有更多技術路徑可走。現在文生圖領網域應用普遍用的底層模型叫擴散模型 diffusion model，原理是先生成一個大概的影像，再消除噪點，就像雪中作畫、霧裡看花，還原能力不強。而 GPT-4o 沿用文生圖自回歸模型，相當于把之前預測 token 的邏輯推理能力進一步延伸到了文生圖領網域，通過逐幀繪制的方式，從已生成的像素推測下一個像素，本質是模仿人類畫畫。這意味着，與垂類應用不同，大模型可以從底層架構上選擇不同的技術路徑，而架構的更新通常會帶來性能的躍升，基于 GPT-4o 等原生模型的功能有更多的生長空間。
第二個是，多模态融合會帶來跨領網域的融會貫通，GPT-4o 作為一種通用大模型，擁有整合文字、音頻、影像等不同格式信息的能力，現階段已經可以打電話、生圖改圖了。而在未來，是不是可以直接生成音樂和視頻，也值得期待。實際上，GPT-4o 本次上線的生圖功能就脫胎于 OpenAI 的文生圖模型 DALL-E。或許，OpenAI 旗下的文生視頻模型 Sora 也可能通過某種技術被整合到 GPT 模型裡。屆時，在一個模型裡交叉處理多種模态的信息将不再遙遠。
簡言之，GPT-4o 繪圖能力的出圈讓我們看到了底層大模型集成多應用的能力。而從這個能力衍生出的願景是，我們未來可以在一個一站式的模型裡面同時使用繪畫、音樂、代碼等多維能力。并且，它的使用門檻是非常低的，低到任何一個毫無技術基礎，甚至連 AI 都不了解的人都能用。
而這或許才是人類發明 AI 的終極目标——讓技術普惠到每一個角落。
